DESI Data Release 2 ELGs: Property-dependent subsamples, imaging systematics, and clustering

技术摘要：DESI 第二阶段数据发布 2 (DR2) ELGs：依赖于属性的子样本、成像系统误差与聚类

问题陈述
像暗能量光谱仪（DESI）这样的星系红移巡天旨在测量诸如重子声学振荡（BAO）和红移空间畸变（RSD）等宇宙学信号。然而，由巡天深度、视宁度（seeing）以及前景银河系性质引起的成像数据不均匀性，会导致投影星系密度场的虚假波动。如果不对其进行校正，这些成像系统误差会产生伪造的聚类信号，从而偏置宇宙学参数的估计。

尽管 DESI 合作组采用了系统权重来减轻这些影响，但对于发射线星系（ELGs）的标准方法依赖于一个全连接的前馈神经网络（SYSNet）。虽然这种方法具有灵活性，但机器学习方法存在过度校正并移除真实宇宙学信号的风险。此外，ELGs 是 DESI 中最暗的示踪体，其通量接近成像巡天的探测极限，这使得它们对成像深度的变化异常敏感。此前对 DESI 第一年数据的分析表明，在 BAO 尺度之外存在残余的伪造信号，这表明当前的加权方案对于复杂的样本可能不足。

方法论
本研究提出了一种针对 DESI DR2 ELGs 的替代性系统权重推导方法，重点关注红移范围 $0.8 < z < 1.1$。该方法包含三个主要组成部分：

1. 依赖于属性的子样本划分： 作者不再将所有 ELGs 视为单一的同质样本，而是根据五种特定的星系属性定义了子样本：

   • 星系质量 ($\log M_*$)
   • [OII] 光度 ($\log L_{[OII]}$)
   • g 波段光纤星等 ($g_{fib}$)
   • 在 $g-r$ 对 $r-z$ 平面中距离红移优化边界的垂直距离 ($D_{grz}^z$)
   • 在 $g-r$ 对 $r-z$ 平面中距离恒星轨迹边界的垂直距离 ($D_{grz}^s$)

2. 用于系统权重的线性回归： 对于每个子样本，作者使用多线性回归方法（与用于其他 DESI 示踪体如 LRG 和类星体的相同方法一致）重新推导系统权重，而非使用基准神经网络。该方法将投影星系密度建模为十个成像属性（包括恒星密度、HI 柱密度以及 $g, r, z$ 滤波器的深度/视宁度）的线性函数，并通过反转模型来计算权重。这提供了物理上的灵活性，同时避免了与机器学习相关的过拟合风险。

3. 精细化的光度区域处理： 作者发现，对于南天区域的 ELGs，标准的南北光度区分是不充分的。他们建议将南部区域拆分为“South-DES”（暗能量调查足迹）和“South-DECaLS”（遗产巡天）。这一提议是基于以下观察：相比于较浅的 DECaLS 区域，较深的 DES 成像产生了不同的 ELG 数密度和红移分布，尤其是在远离恒星轨迹的子样本中。

关键结果

• 子样本变异性： 分析显示，ELG 的属性显著影响了它们对成像系统误差的响应。与基准 SYSNet 权重相比，由高恒星质量、低 [OII] 光度和较大距离恒星轨迹距离 ($D_{grz}^s$) 定义的子样本表现出最显著的偏差。
• 缓解伪造信号： 对于约 10% 的子样本（特别是具有高恒星质量、低 [OII] 光度和高 $D_{grz}^s$ 的子样本），基于属性的线性权重进一步缓解了在 $r_p \sim 10 \, h^{-1}\text{Mpc}$ 尺度附近的伪造聚类信号，使投影两点相关函数（2PCF）的斜率更接近理论预期。
• DES 足迹的影响： 研究表明，远离恒星轨迹的 ELGs 在深的 DES 足迹中基本不存在；它们出现在较浅的遗产巡天区域很可能是由于测量散射造成的。因此，将南部视为单一区域会导致不准确的随机目录和回归离群值。分离 South-DES 与 South-DECaLS 可以保留这两个区域独特的密度和红移分布，防止权重方案人为地抑制 DES 的过密度。
• 全样本行为： 当应用于全样本 ELG 时，属性依赖的线性权重（即使采用了精细化的区域处理）与基准 SYSNet 方法相比，会导致过大的长尺度信号。作者得出结论，虽然神经网络对于全样本仍然是最优选择，但对于特定子样本而言，线性且依赖属性的方法更为优越。

意义与主张
本文主张，对于多样化的 DESI ELG 群体，采用“一刀切”的方法处理系统权重是不够的。其主要贡献在于：

1. 验证了特定属性的权重有效性： 证明了根据星系属性定制系统权重可以改善特定数据集的聚类测量，特别是那些最易受成像系统误差影响的部分。
2. 强调了区域特定处理的必要性： 确立了在 LSS 目录生成流水线中，DES 足迹需要进行单独处理，以准确模拟随机目录和系统权重。
3. 对目标选择的物理洞察： 强调了具有极端颜色的 ELGs（远离恒星轨迹）很可能是浅层成像中测量散射的产物，而非真实的物理群体，这表明对 $D_{grz}^s$ 进行截断可以产生更一致的样本。

作者认为，虽然其方法为子样本提供了改进，但在 DESI 主要宇宙学分析的背景下，基准神经网络权重仍是全样本 ELG 的最优选择。他们建议，未来的 DESI 发布以及其他巡天（如薇拉·鲁宾天文台）应考虑采用属性依赖的处理方式和精细化的光度区域区分，以提高聚类测量的准确性。